Im Bereich der Biomedizin umfasst die Segmentierung die Identifizierung und Markierung bestimmter Pixel in medizinischen Bildern, die mit wichtigen Strukturen wie Organen oder Zellen verbunden sind. Künstliche Intelligenz-Modelle können Kliniker unterstützen, indem sie Pixel markieren, die auf das Vorhandensein einer bestimmten Krankheit oder Anomalie hinweisen können. Allerdings bieten diese Modelle in der Regel nur eine Antwort, obwohl die Aufgabe der medizinischen Bildsegmentierung oft verschiedene Interpretationen beinhaltet. Selbst Experten können unterschiedliche Segmentierungen liefern, wobei zum Beispiel Uneinigkeit über die Grenzen eines Knotens in einem Lungentomographie-Bild besteht. Um dieses Problem zu lösen, haben Forscher des MIT, des Broad Institute des MIT und Harvard sowie des Massachusetts General Hospital ein neues KI-Tool namens Tyche entwickelt. Tyche kann für ein medizinisches Bild mehrere plausible Segmentierungen generieren, wobei jeweils leicht unterschiedliche Bereiche hervorgehoben werden. Benutzer können angeben, wie viele Optionen Tyche bereitstellen soll, und die für ihre Bedürfnisse am besten geeignete auswählen. Im Gegensatz zu anderen Methoden erfordert Tyche keine Neuschulung für neue Segmentierungsaufgaben. Dies macht es für Kliniker und Forscher im biomedizinischen Bereich benutzerfreundlicher. Tyche kann "out of the box" für Aufgaben wie die Identifizierung von Läsionen in einer Röntgenaufnahme der Lunge oder das Auffinden von Anomalien in einer Gehirn-MRI eingesetzt werden. Tyche hat das Potenzial, Diagnosen zu verbessern und die biomedizinische Forschung zu unterstützen, indem es auf potenziell bedeutsame Informationen hinweist, die andere KI-Tools möglicherweise übersehen.

Das System erfasst Ambiguität, was bisher ein relativ unerforschtes Gebiet war. Durch Bereitstellung mehrerer Segmentierungen erkennt Tyche die Unsicherheit in medizinischen Bildern an, die Entscheidungsprozesse beeinflussen kann. Die Forscher haben eine neuronale Netzwerkarchitektur modifiziert, um Tyche zu entwickeln. Benutzer müssen dem Modell einige Beispiele für die Segmentierungsaufgabe zur Verfügung stellen, um es zu trainieren. Die Forscher stellten fest, dass bereits 16 Beispielaufnahmen ausreichen, damit Tyche genaue Vorhersagen treffen kann. Das Modell gibt mehrere Kandidatensegmentierungen aus, indem es die Schichten des Netzwerks anpasst und deren Interaktion mit den Beispielen im Trainingssatz ermöglicht. Bei Tests an Datensätzen von annotierten medizinischen Bildern erfassen die Vorhersagen von Tyche die Vielfalt, die von menschlichen Annotatoren beobachtet wird, und seine besten Vorhersagen übertreffen die von Basismodellen. Tyche zeigte auch eine schnellere Leistung im Vergleich zu den meisten Modellen. Die Forscher planen, den Einsatz eines flexibleren Kontextsatzes zu erforschen und Methoden zur Verbesserung der schlechtesten Vorhersagen von Tyche zu untersuchen. Sie streben auch an, das System so zu verbessern, dass es die besten Segmentierungskandidaten empfehlen kann. Diese Forschung wird durch Mittel des National Institutes of Health, des Eric and Wendy Schmidt Center am Broad Institute des MIT und Harvard sowie von Quanta Computer unterstützt.